Este documento describe los sistemas de recomendación, incluyendo tipos como el análisis de ítems, usuarios y asociaciones entre ellos. Explica cómo medir la similitud entre ítems y usuarios, así como algoritmos como el "Heat Spreading" que modelan las relaciones como una red bipartita. Finalmente, propone ampliar los sistemas con información semántica y social para mejorar las recomendaciones.

1. Sistemas de
recomendación
Juan Manuel Gimeno Illa
14 de abril de 2010

2. Índice
¿Qué son los sistemas de recomendación?
Tipos de sistemas de recomendación
Algoritmos basados en redes
Posibles ampliaciones
Bibliografía

3. ¿Qué son las
recomendaciones?
Recomendar es la acción de sugerir a alguien
alguna cosa en la que posiblemente estará
interesado.
Ejemplos:
libros/CDs/ítems a comprar/escuchar/
consumir
otros usuarios con intereses similares

4. Tipos de sistemas de
recomendación
Para construir sistemas de recomendación nos
podemos basar en
Analizar los ítems
Analizar los usuarios
Analizar asociaciones entre ítems y
usuarios

5. Análisis de los ítems

6. Análisis de los ítems
Ítems

7. Análisis de los ítems
Ítems
Usuarios

8. Análisis de los ítems
Ítems
gusta
Usuarios

9. Análisis de los ítems
parecidos
Ítems
gusta
Usuarios

10. Análisis de los ítems
parecidos
Ítems
gusta recomendación
Usuarios

11. Análisis de los usuarios

12. Análisis de los usuarios
Ítems

13. Análisis de los usuarios
Ítems
Usuarios

14. Análisis de los usuarios
Ítems
gusta
Usuarios

15. Análisis de los usuarios
Ítems
gusta
Usuarios
parecidos

16. Análisis de los usuarios
Ítems
recomendación
gusta
Usuarios
parecidos

17. Métricas de similitud
Ambos métodos requieren tener medidas
de similitud
entre ítems
entre usuarios

18. Cálculo de la similitud
Basadas en contenidos/perfiles
se dispone de una descripción (modelo)
(típicamente un vector de características)
funciones de distancia en un espacio n-
dimensional (euclídea, coseno, etc.)

19. Cálculo de la similitud
Basado en les asociaciones entre los usuarios
y los ítems: filtrado colaborativo
ítems comprados, consultados, leídos, etc.
por los usuarios
Trata a usuarios y productos como cajas
negras
por tanto no depende del tipo de ítem

20. Métricas en el filtrado
colaborativo
Dos ítems son similares en la medida en que
gustan/interesan/etc. a las mismas personas
Dos persones tienen gustos/intereses
similares en cuanto consumen/valoran/gustan
los mismos ítems

21. Sistemas basados en
redes de interacción
Otro tipo de soluciones aproximan el
problema desde otro punto de vista
Modelan las relaciones entre usuarios e ítems
como un grafo bipartito
Modelan el grado de “apetecibilidad” de un
ítem como:
propagación del calor
paseo aleatorio por la red

22. Algoritmo “Heat
Spreading”

23. Algoritmo “Heat
Spreading”
1
0
0
1
0

24. Algoritmo “Heat
Spreading”
1
1
0
0 1/2
1 1/2
0 0

25. Algoritmo “Heat
Spreading”
1 2/3
1 1/2
0
0 1/2 1/3
1 1/2 3/4
0 0 0

26. Ampliaciones del modelo

27. Ampliaciones del modelo

28. Ampliaciones del modelo
Información
semántica

29. Ampliaciones del modelo
Información
semántica

30. Ampliaciones del modelo
Información Información
social semántica

31. Uso de la información
adicional
El objetivo es aprovechar cuanta más
información sobre los ítems, mejor
De esta manera los ítems dejan de ser
“información plana”
Por ejemplo, el hecho de haber comprado un
libro, también puede dar crédito a otros libros
del mismo autor, mismo género, etc.

32. Uso de la información
adicional
También las relaciones sociales entre usuarios
pueden añadir información
(Aunque esta parte del asunto no la tengo
tan clara)
((La otra quizás tampoco))

33. Muchas gracias por
vuestra atención

34. Bibliografía
H. Marmanis, D. Babenko: Algorithms for the
Intelligent Web, Manning (2009).
S. Alag, Collective Intelligence in Action,
Manning (2009)
T. Segaran, Collective Intelligence, O’Reilly
(2007)

35. Bibliografía
Tao Zhou et al., Bipartite network projection and
personal recommendation, Physical Review E 76,
046115 (2007)
Yi-Cheng Zhang et al., Heat Conduction Process on
Community Networks as a Recommendation Model,
Physical Review Letters 99, 154301 (2007)
A. Passant & Y. Raymond, Combining Social Music
and Semantic Web for music-related recommender
systems, Social Data on the Web (2008)